本文關(guān)鍵詞： SAR圖像分割 壓縮感知 Curvelet變換 圖像特征 FCM聚類　出處：《西安電子科技大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：高分辨合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)突破了外界條件影響的局限,是一種能產(chǎn)生高分辨率遙感圖像的相干系統(tǒng),具有全天候、全天時(shí)、多波段、多極化工作方式、可變側(cè)視角和強(qiáng)透射性等特點(diǎn),廣泛應(yīng)用在軍事領(lǐng)域和國(guó)民經(jīng)濟(jì)。而SAR圖像分割是SAR圖像自動(dòng)處理的基礎(chǔ),也是SAR圖像自動(dòng)理解和解釋的基本關(guān)鍵技術(shù)之一。壓縮感知理論打破了傳統(tǒng)采樣過(guò)程中信號(hào)采樣速率必須達(dá)到信號(hào)帶寬兩倍以上才能精確重構(gòu)原始信號(hào)的乃奎斯特采樣定理,它將信號(hào)的采樣與壓縮同時(shí)進(jìn)行,利用信號(hào)在變換基上可以稀疏表示的先驗(yàn)知識(shí),用比香農(nóng)采樣少的多的觀測(cè)值重構(gòu)原始信號(hào),大大降低了信息存儲(chǔ)、處理和傳輸?shù)某杀�。本文將壓縮感知理論應(yīng)用于SAR圖像分割,提出兩種基于壓縮感知的SAR圖像分割算法,并取得比較好的分割結(jié)果,具體內(nèi)容和工作如下。(1)提出了一種基于壓縮感知和Curvelet變換的模糊C均值(Fuzzy C-Means,FCM)聚類分割算法。首先,利用壓縮感知理論中的正交匹配追蹤(OMP)重構(gòu)算法對(duì)SAR圖像進(jìn)行去噪處理并進(jìn)行重構(gòu)獲得重構(gòu)圖。其次,再利用Curvelet變換在提取圖像細(xì)節(jié)方面的優(yōu)點(diǎn),先對(duì)重構(gòu)圖進(jìn)行Curvelet變換,再對(duì)子帶系數(shù)進(jìn)行Curvelet逆變換,獲得細(xì)節(jié)增強(qiáng)的增強(qiáng)圖。而后,利用FCM聚類算法在圖像分割上的優(yōu)勢(shì),將重構(gòu)圖和增強(qiáng)圖融合后,得到的融合圖是去噪后并且細(xì)節(jié)已經(jīng)增強(qiáng)的融合圖像,再把融合圖像用FCM聚類算法進(jìn)行分割。最后通過(guò)實(shí)驗(yàn)結(jié)果比較,在真實(shí)SAR圖像上進(jìn)行驗(yàn)證OMP_Curvelet_FCM算法的性能。(2)提出了一種基于稀疏表示和圖像特征的FCM聚類分割算法。在K-SVD冗余字典進(jìn)行圖像稀疏表示的基礎(chǔ)上,引入SAR圖像的統(tǒng)計(jì)特征,并用特征構(gòu)造特征字典。本算法提出一種新的稀疏表示方法,用聯(lián)合字典進(jìn)行稀疏表示,聯(lián)合字典是有特征字典和K-SVD冗余字典相乘構(gòu)造而成。在用聯(lián)合字典進(jìn)行稀疏表示的過(guò)程中進(jìn)行去噪,并用FCM聚類算法進(jìn)行分割。最后通過(guò)實(shí)驗(yàn)結(jié)果比較,在真實(shí)SAR圖像上進(jìn)行驗(yàn)證基于稀疏表示和圖像特征的FCM聚類分割算法的有效性。
[Abstract]:High resolution synthetic Aperture radar (SAR) has broken through the limitation of external conditions and is a coherent system that can produce high-resolution remote sensing images. It has all-weather, all-weather, multi-band, multi-polarization operation mode. Variable side view and strong transmission are widely used in military field and national economy. SAR image segmentation is the basis of SAR image automatic processing. Compression sensing theory breaks the Quast sampling theorem that the signal sampling rate must be more than twice the signal bandwidth in the traditional sampling process in order to reconstruct the original signal accurately. The signal is sampled and compressed at the same time, using the prior knowledge that the signal can be expressed sparsely on the transform basis, and the original signal is reconstructed with a much smaller sample than Shannon, which greatly reduces the information storage. In this paper, we apply compression sensing theory to SAR image segmentation, propose two SAR image segmentation algorithms based on compression perception, and obtain better segmentation results. The main contents and work are as follows: (1) A fuzzy C-means fuzzy C-Means-FCM-based clustering segmentation algorithm based on compressed perception and Curvelet transform is proposed. Using the orthogonal matching tracking (OMP) reconstruction algorithm in compression perception theory, the SAR image is de-noised and reconstructed to obtain the reconstructed image. Secondly, using the advantages of Curvelet transform in extracting the image details, the recomposition is first transformed by Curvelet. Then the subband coefficients are inversely transformed by Curvelet to obtain the enhanced image of detail enhancement. Then, using the advantage of FCM clustering algorithm in image segmentation, the reconstructed and enhanced images are fused. The fusion image obtained is the fused image which has been de-noised and the details have been enhanced. Then the fused image is segmented by FCM clustering algorithm. Finally, the experimental results are compared. This paper presents a FCM clustering segmentation algorithm based on sparse representation and image features. Based on the sparse representation of K-SVD redundant dictionary, the statistical features of SAR images are introduced. In this algorithm, a new sparse representation method is proposed, which is represented by a joint dictionary. The joint dictionary is constructed by multiplying characteristic dictionaries and K-SVD redundant dictionaries. In the process of sparse representation of joint dictionaries, denoising is carried out and segmented by FCM clustering algorithm. Finally, the experimental results are compared. The validity of the FCM clustering segmentation algorithm based on sparse representation and image features is verified on real SAR images.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報(bào);2007年02期

2 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

3 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動(dòng)化;2009年11期

4 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2010年02期

5 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

6 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國(guó)圖象圖形學(xué)報(bào);2011年05期

7 張甫;李興來(lái);陳佳君;;淺談圖像分割方法的研究運(yùn)用[J];科技創(chuàng)新與應(yīng)用;2012年04期

8 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年06期

9 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

10 陳曉丹;李思明;;圖像分割研究進(jìn)展[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2013年33期

相關(guān)會(huì)議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會(huì)中醫(yī)診斷學(xué)分會(huì)第十次學(xué)術(shù)研討會(huì)論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 黃萬(wàn)里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學(xué);2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學(xué);2015年

7 侯葉;基于圖論的圖像分割技術(shù)研究[D];西安電子科技大學(xué);2011年

8 裴繼紅;基于模糊信息處理的圖像分割方法研究[D];西安電子科技大學(xué);1998年

9 張運(yùn)杰;基于模糊系統(tǒng)理論的圖像分割技術(shù)研究[D];大連海事大學(xué);2007年

10 張玲;基于模糊理論及其擴(kuò)展的圖像分割研究及應(yīng)用[D];山東大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 王聰聰;手機(jī)上的交互式圖像分割方法研究[D];華中科技大學(xué);2013年

2 廖小波;基于貝葉斯最優(yōu)統(tǒng)計(jì)的圖切法圖像分割研究[D];昆明理工大學(xué);2015年

3 姜士輝;基于Android系統(tǒng)的立木圖像分割方法研究[D];東北林業(yè)大學(xué);2015年

4 路亞緹;基于粒子群優(yōu)化算法的最大熵多閾值圖像分割研究[D];鄭州大學(xué);2015年

5 劉超;基于閾值圖像分割的研究及在蘋果定位中的應(yīng)用[D];東華理工大學(xué);2015年

6 何妮;結(jié)合顯著性目標(biāo)檢測(cè)與圖像分割的服飾提取算法研究及實(shí)現(xiàn)[D];西南交通大學(xué);2015年

7 劉曉磊;基于MRF隨機(jī)場(chǎng)模型的機(jī)器人視覺圖像分割方法研究[D];西安建筑科技大學(xué);2015年

8 王周楠;數(shù)字圖像處理的研究仿真[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

9 許素素;改進(jìn)的模糊C均值聚類算法在圖像分割中的應(yīng)用[D];長(zhǎng)安大學(xué);2015年

10 齊國(guó)紅;基于FCM和SVM相結(jié)合的作物病害圖像分割方法研究[D];鄭州大學(xué);2015年

，

本文編號(hào)：1521235